滴滴面试题 · tech:llm
滴滴相关面试题，按最终去重题目聚合。
共 2131 道真题 · 当前筛选命中 11 道 · 更新 2026-08-05
筛选题目已选：tech:llm
考察点
技术栈
第 1 题请介绍你参与开发的AI Agent项目，并说明在项目中使用了哪些大模型以及选择的理由。 考察对AI Agent项目的理解、模型选型与工程落地能力第 2 题你认为与大模型之前的 workflow 相比，Agent 真的解决了更多问题吗？为什么？ 考察对 Agent 相对传统 workflow 的本质差异和实际收益的理解第 3 题项目实战：LLM重复生成内容的问题如何缓解？ 考察对LLM采样机制、输出多样性控制与工程调优手段的理解与应用第 4 题请简要阐述当前大模型应用的主流范式，并说明其典型技术架构与适用场景。 考察对大模型应用范式（如RAG、Agent、微调等）的整体认知与辨析能力第 5 题你在项目中使用 LoRA 微调 LLM,请说明你设置的 rank、alpha 值,并分析它们对性能和收敛速度的影响。 考察对 LoRA 超参数作用机制的理解及实验分析能力第 6 题请探讨单个大型语言模型（LLM）能否独立帮助用户完成一次完整的行程规划，包括预订交通和酒店票务。 评估对LLM能力边界、工具调用和系统设计的理解第 7 题如果让你设计一个 Agent 系统，与过去的小模型相比，你认为大模型在其中带来哪些能力提升和新的风险？ 考察大模型相对小模型在 Agent 场景中的能力跃迁与风险意识第 8 题请从代码实现和数学公式两个层面，详细说明大语言模型的微调（Fine-tuning）过程。 考察对微调流程的代码级理解和底层优化原理的掌握第 9 题请介绍BabyAGI的核心机制，以及Agent设计框架中的关键组成部分。 考察对Agent自主任务分解与执行框架的理解第 10 题请解释大语言模型监督微调（SFT）中常用的损失函数及其计算公式。 考察对监督微调核心损失函数的理解与表达能力第 11 题最近有关注哪些大模型前沿论文？请介绍一篇你印象最深的，并说明其创新点。 考察对大模型前沿研究的学习敏感度、理解深度与表达能力